信用風(fēng)險評估范文

本站小編為你精心準備了信用風(fēng)險評估參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

關(guān)鍵詞：自適應(yīng)共振，神經(jīng)網(wǎng)絡(luò)，信用風(fēng)險摘要：自適應(yīng)共振模型是為了能夠分類任意次序模擬輸入模式而設(shè)計的，它可以按任意精度對輸入的模擬觀察矢量進行分類，較好地解決了前穩(wěn)定性和靈活性問題，同時能夠避免對網(wǎng)絡(luò)先前所學(xué)的學(xué)習(xí)模式修改。本文將ART2模型應(yīng)用于信用風(fēng)險評估，通過實證比較研究，結(jié)果顯示應(yīng)用自適應(yīng)共振模型進行信用風(fēng)險評估在精度和準確性上，都優(yōu)于其他神經(jīng)網(wǎng)絡(luò)模型和統(tǒng)計方法。1統(tǒng)計方法用于信用風(fēng)險分類評估存在的局限性對信用風(fēng)險評估一類主流方法是基于分類的方法，即把信用風(fēng)險分析看成是模式識別中的一類分類問題—將企業(yè)劃分為能夠按期還本付息和違約兩類。其具體做法是根據(jù)歷史上每個類別（如期還本付息、違約）的若干樣本，從已知的數(shù)據(jù)中發(fā)現(xiàn)其規(guī)律，從而總結(jié)出分類的規(guī)則，建立判別模型，用于對新樣本的判別，這樣信用評估就轉(zhuǎn)化為統(tǒng)計中的分類問題。傳統(tǒng)的統(tǒng)計模型主要基于多元統(tǒng)計分析方法，根據(jù)判別函數(shù)的形式和樣本分布的假定不同，主要的模型有：多元回歸分析模型、多元判別分析模型（MDA）、Logit分析模型、近鄰法等。其中以多元判別分析模型和Logit分析模型應(yīng)用最為廣泛，已有大量商業(yè)化軟件。盡管這些方法在國外有大量應(yīng)用，但是大量實證研究（Altman，1983；Tam&Kiang，1992；Altman，etal，1994）結(jié)果發(fā)現(xiàn)：（1）企業(yè)財務(wù)狀況的評價可以看作是一類基于一系列獨立變量基礎(chǔ)上的分類問題；（2）企業(yè)財務(wù)狀況好壞與財務(wù)比率的關(guān)系常常是非線性的；（3）預(yù)測變量（財務(wù)比率）可能是高度相關(guān)的；（4）大量實證結(jié)果表明，許多指標不成正態(tài)分布。而統(tǒng)計的方法卻不能很好地解決以上問題。由此可見統(tǒng)計模型的最大優(yōu)點在于其具有明顯的解釋性，存在的缺陷是過于嚴格的前提條件。如多元判別分析模型（MDA），它要求數(shù)據(jù)服從多元正態(tài)分布、等協(xié)方差、已知先驗概率和誤判代價等要求，而現(xiàn)實中大量數(shù)據(jù)嚴重違背了這些假定（Eisenbeis，1997）。引入對數(shù)變化可在一定程度上改進數(shù)據(jù)的非正態(tài)分布，但一方面變換后的變量可能失去經(jīng)濟解釋含義，另一方面仍沒有滿足等協(xié)方差的要求；應(yīng)用二次差別分析（QDA）雖可解決等協(xié)方差問題，但一方面沒有滿足正態(tài)性假設(shè)，另一方面當(dāng)數(shù)據(jù)樣本小、維數(shù)高（指標多）時二次差別分析的性能明顯下降，而樣本少、維數(shù)高正是我國信用數(shù)據(jù)的顯著特點。實證結(jié)果還表明二次差別分析對訓(xùn)練樣本效果較好，而對測試樣本并不理想。除此以外，多元判別分析模型適用于成熟行業(yè)的大中型企業(yè)，因為這些企業(yè)具有較強的穩(wěn)定性和規(guī)范性，其發(fā)展有一定的規(guī)律可循，參數(shù)統(tǒng)計方法易于給出較準確的結(jié)果及合理的解釋。然而這類方法是靜態(tài)的，需要根據(jù)地區(qū)、行業(yè)經(jīng)濟情況的變化不斷地調(diào)整參數(shù)，甚至進行變量的調(diào)整。為了解決這些問題，引入了Logit分析模型和近鄰法。Logit分析模型不需要假定任何概率分布，也不要求等協(xié)方差，但是當(dāng)樣本點存在完全分離時，模型參數(shù)的最大似然估計可能不存在，模型的有效性值得懷疑，另外該方法對中心區(qū)域的差別敏感性較強，導(dǎo)致判別結(jié)構(gòu)的不穩(wěn)定。近鄰法不要求數(shù)據(jù)正態(tài)分布，但當(dāng)數(shù)據(jù)的維數(shù)較高時，存在所謂的“維數(shù)禍根（Curseofdimensionality）”——對高維數(shù)據(jù)，即使樣本量很大，其撒在高維空間中仍顯得非常稀疏，絕大多數(shù)點附近根本沒有樣本點，這就使得“利用空間中每一附近的樣本點來構(gòu)造估計”的近鄰法很難使用。2應(yīng)用神經(jīng)網(wǎng)絡(luò)進行信用風(fēng)險評估的意義商業(yè)銀行信用風(fēng)險評估是復(fù)雜的過程，除了對企業(yè)的財務(wù)狀況的各種特征的評估外，還須對企業(yè)的非財務(wù)狀況進行評估，而且又涉及宏觀經(jīng)濟環(huán)境和產(chǎn)業(yè)結(jié)構(gòu)、產(chǎn)業(yè)周期的影響；除了客觀的評估外，還依賴于專業(yè)人員依據(jù)經(jīng)驗進行主觀評估。神經(jīng)網(wǎng)絡(luò)是一種具有模式識別能力，自組織，自適應(yīng)，自學(xué)習(xí)特點的計算機制，它的知識編碼于整個權(quán)值網(wǎng)絡(luò)，呈分布式存儲且具有一定容錯能力。神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的分布要求不嚴格，也不必要詳細表述自變量與因變量之間的函數(shù)關(guān)系，神經(jīng)網(wǎng)絡(luò)的這些特征使之成為信用風(fēng)險分析方法的一個熱點。建立商業(yè)銀行信用風(fēng)險評估模型必須依賴于一組已知的函數(shù)集合。要求這種函數(shù)集合在任意精度上可以逼近實際系統(tǒng)，從數(shù)學(xué)上講，這就要求這個集合在連續(xù)函數(shù)空間上是致密的。目前已經(jīng)從理論上嚴格證明了只用一個隱藏層的神經(jīng)網(wǎng)絡(luò)就可以唯一地逼進任何一個連續(xù)函數(shù)。多層神經(jīng)網(wǎng)絡(luò)為系統(tǒng)的辨識和建模，尤其是非線性動態(tài)映射系統(tǒng)提供了一條十分有效的途徑。非線性動態(tài)映射系統(tǒng)的神經(jīng)網(wǎng)絡(luò)建模被認為是應(yīng)用神經(jīng)網(wǎng)絡(luò)的最成功的范例。影響商業(yè)銀行信用風(fēng)險評估的機理很復(fù)雜，無法建立精確的非線性動態(tài)模型，而人工神經(jīng)網(wǎng)絡(luò)擅長處理非線性的、關(guān)系不確定的十分復(fù)雜以至于數(shù)學(xué)模型難以描述的問題。對于分析時間序列數(shù)據(jù)，由于人工神經(jīng)網(wǎng)絡(luò)能識別和模擬數(shù)據(jù)間的非線性關(guān)系，不需要正態(tài)分布和先驗概率等條件的約束，能針對新增樣本靈活的訓(xùn)練再學(xué)習(xí)，因此優(yōu)于其他統(tǒng)計方法，同時由于網(wǎng)絡(luò)本身具有自學(xué)習(xí)的功能，預(yù)測結(jié)果相對精度較高而且穩(wěn)定性好，因此應(yīng)用神經(jīng)網(wǎng)絡(luò)可以通過對網(wǎng)絡(luò)的訓(xùn)練，掌握借款人的財務(wù)特征的非線性函數(shù)關(guān)系。神經(jīng)網(wǎng)絡(luò)是由許多神經(jīng)元構(gòu)成的，它對系統(tǒng)特性的記憶表現(xiàn)為各個神經(jīng)元之間的連接權(quán)值，單個神經(jīng)元在整個系統(tǒng)中起不到?jīng)Q定性作用，一個經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可以按相似的輸入模式產(chǎn)生相似的輸出模式，當(dāng)商業(yè)銀行信用風(fēng)險評估系統(tǒng)因某些非財務(wù)風(fēng)險因素和判斷誤差過大的財務(wù)風(fēng)險因素造成輸入模式變形時，網(wǎng)絡(luò)仍可以保證穩(wěn)定的輸出。神經(jīng)網(wǎng)絡(luò)可以逼進任意復(fù)雜的非線性系統(tǒng)，神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)換函數(shù)能夠非線性地響應(yīng)沖擊，例如，像覆蓋比率這樣的財務(wù)比率超過最低水平（如AAA級）時，超過這個閥值的增加值不會對信用質(zhì)量有什么影響。線性回歸不能以這樣的方式限制響應(yīng)程度，神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)換函數(shù)卻能實現(xiàn)。神經(jīng)網(wǎng)絡(luò)以并行的方式處理信息，具有很強的信息綜合能力，因此神經(jīng)網(wǎng)絡(luò)理論在商業(yè)銀行信用風(fēng)險分析和實施對信用風(fēng)險的主動控制中將會發(fā)揮更大的作用。由神經(jīng)網(wǎng)絡(luò)構(gòu)成的非線性模型具有較強的環(huán)境適應(yīng)能力。在根據(jù)多個訓(xùn)練樣本企業(yè)的財務(wù)特征建立神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)后，如果企業(yè)類型、財務(wù)特征和非財務(wù)特征發(fā)生變化，神經(jīng)網(wǎng)絡(luò)可以通過學(xué)習(xí)，建立企業(yè)信用的非線性函數(shù)關(guān)系，并且不需要改變網(wǎng)絡(luò)的結(jié)構(gòu)和算法。綜上所述，對于那些無法建立精確的動態(tài)判別函數(shù)模型的非線性商業(yè)銀行信用風(fēng)險評估，可以將神經(jīng)網(wǎng)絡(luò)理論應(yīng)用于風(fēng)險評估當(dāng)中，撇開企業(yè)財務(wù)因素、非財務(wù)因素和企業(yè)信用狀況復(fù)雜的非線性機理，建立起非線性風(fēng)險映射近似的動態(tài)模型，使這個模型盡可能精確地反映風(fēng)險映射關(guān)系非線性動態(tài)特征。通過該系統(tǒng)我們能夠計算對各種輸入的響應(yīng)，預(yù)估商業(yè)銀行信用風(fēng)險狀況及其發(fā)展趨勢，進而能夠使用各種信用工具對風(fēng)險進行主動控制，促進商業(yè)銀行的智能化風(fēng)險管理系統(tǒng)的建設(shè)和發(fā)展完善。3基于自適應(yīng)共振理論的信用風(fēng)險評估模型一個公司財務(wù)狀況的好壞往往是企業(yè)自身、投資者和債權(quán)人關(guān)注的焦點。因為一個營運良好、財務(wù)健康的公司可提高自身在市場上的信譽及擴展籌資渠道，以使投資者信心倍增。相反，一個陷入財務(wù)困境和瀕臨破產(chǎn)的企業(yè)不僅乏力吸引投資，還讓原有投資者面臨巨大的信用風(fēng)險。由上文的分析中我們知道，對企業(yè)財務(wù)指標的分析，傳統(tǒng)的分類方法盡管有它的優(yōu)點但本身也存在一些局限性。作為研究復(fù)雜系統(tǒng)的有力工具，神經(jīng)網(wǎng)絡(luò)能處理任意類型數(shù)據(jù)，這是許多傳統(tǒng)方法無法比擬的。通過不斷學(xué)習(xí)，能夠從未知模式的大量復(fù)雜數(shù)據(jù)中發(fā)現(xiàn)其規(guī)律。神經(jīng)網(wǎng)絡(luò)方法克服了傳統(tǒng)分析過程的復(fù)雜性及選擇適當(dāng)模型函數(shù)形式的困難，它是一種自然的非線性建模過程，毋需分清存在何種非線性關(guān)系，給建模與分析帶來極大的方便。該方法用于企業(yè)財務(wù)狀況研究時，一方面利用其映射能力，另一方面利用其泛化能力，即在經(jīng)過一定數(shù)量的帶有噪聲的樣本訓(xùn)練之后，網(wǎng)絡(luò)可以抽取樣本所隱含的特征關(guān)系，并對新情況下的數(shù)據(jù)進行內(nèi)插和外推以推斷其屬性。目前我國銀行機構(gòu)主要使用計算貸款風(fēng)險度的方法進行信用風(fēng)險評估——在對企業(yè)進行信用等級評定的基礎(chǔ)上，考慮貸款方式、期限以及形式因素，進而確定貸款的風(fēng)險度。其中作為核心的信用等級評定，是通過對企業(yè)的某些單一財務(wù)指標進行評價，而后加權(quán)平均確定的。該方法的最大缺陷在于指標和權(quán)重的確定帶有很大的主觀性，使得評級結(jié)果與企業(yè)的實際信用狀況有很大出入，因此需要引入科學(xué)方法來確定有效指標，并建立準確的定量模型來解決信用評估問題。針對這種形勢，根據(jù)我國商業(yè)銀行的具體情況，結(jié)合國際上目前較為流行人工神經(jīng)網(wǎng)絡(luò)技術(shù)，本文設(shè)計了一種基于自適應(yīng)共振理論的信用風(fēng)險評估方法。3.1自適應(yīng)共振理論（ART）介紹自適應(yīng)共振理論（AdaptiveResonanceTheory）簡稱ART，是于1976年由美國Boston大學(xué)S.Grossberg提出來的。他多年來一直潛心于研究用數(shù)學(xué)來描述人的心理和認知活動，試圖為人類的心理和認知活動建立統(tǒng)一的數(shù)學(xué)理論，ART就是這一理論核心部分，又經(jīng)過了多年的研究和不斷發(fā)展，至今已經(jīng)提出了ART1、ART2和ART3共三種結(jié)構(gòu)。ART網(wǎng)絡(luò)作為模式分類器較好地解決了前面提到的穩(wěn)定性和靈活性問題。使用ART網(wǎng)絡(luò)及算法具有較大的靈活性以適應(yīng)新輸入的模式，同時能夠避免對網(wǎng)絡(luò)先前所學(xué)的學(xué)習(xí)模式修改。ART是一種能自組織的產(chǎn)生對環(huán)境認識編碼的神經(jīng)網(wǎng)絡(luò)理論模型，由于橫向抑制是自組織網(wǎng)絡(luò)的特性，ART采用了MAXNET子網(wǎng)結(jié)構(gòu)，該網(wǎng)絡(luò)采用橫向抑制方法增強并能選擇具有最大值輸出的一個節(jié)點。ART模型的算法過程如下：第一，將一個新樣本X置入節(jié)點；第二，采用自下而上的過程，求得：；第三，運用MAXNET網(wǎng)絡(luò)，找到具有最大輸出值的節(jié)點；第四，通過自上而下的檢驗，判斷X是否屬于第j類，即如果有，則X屬于第j類，是警戒參數(shù)。如果上式不成立，轉(zhuǎn)到第六步，否則繼續(xù)。第五，對于特定的j和所有的i更新和，設(shè)t1時刻，，，。第六，無法判斷X是否屬于第j類，抑制該節(jié)點返回到第二步，執(zhí)行另一個聚類的處理過程。本文所使用的神經(jīng)網(wǎng)絡(luò)模型就是ART2神經(jīng)網(wǎng)絡(luò)模型。ART2神經(jīng)網(wǎng)絡(luò)是為了能夠分類任意次序模擬輸入模式而設(shè)計的。它可以按任意精度對輸入的模擬觀察矢量進行分類。